Множественные и различимые эффекты сенсорной истории на работу рабочей памяти. Часть 2.

приобретение МЭГ

Участники размещались в МЭГ-сканере после того, как были проинструктированы об особенностях задания. Они выполнили один тренировочный блок, сидя в сканере, до начала записи MEG.

Магнитоэнцефалография (МЭГ) — это современная технология, позволяющая регистрировать активность мозга человека и нервные сигналы. Она широко используется в нейробиологических исследованиях, диагностике и лечении неврологических заболеваний и т. д. С точки зрения памяти магнитоэнцефалография может помочь нам глубже изучить механизмы памяти человека и функции областей мозга.

С помощью магнитоэнцефалографии ученые сделали некоторые открытия в области памяти. Например, они обнаружили области мозга, участвующие в рабочей и долговременной памяти, такие как префронтальная кора, височная доля и гиппокамп. Кроме того, магнитоэнцефалография позволяет обнаружить отклонения в деятельности мозга, связанные с расстройствами памяти, например, болезнью Альцгеймера. Таким образом, данная технология имеет широкие перспективы применения в диагностике и лечении нарушений памяти.

Помимо значительного терапевтического потенциала, магнитоэнцефалография также может помочь обычным людям улучшить память. Понимая, как наш мозг обрабатывает информацию и хранит воспоминания, мы можем лучше понять, как более эффективно учиться и запоминать. Ученые открыли некоторые проверенные методы тренировки памяти, такие как повторение и ассоциации, которые могут помочь нам лучше запоминать информацию.

Короче говоря, магнитоэнцефалография — это технология, тесно связанная с исследованием памяти. Он может провести углубленное исследование нашего механизма памяти и функций областей мозга, помогая устранить нарушения памяти и улучшить память. Давайте активно исследовать и учиться лучше использовать потенциал магнитоэнцефалографии, которая поможет нам лучше понять и использовать наш мозг. Видно, что нам необходимо улучшить память, а Cistanche Deserticola может значительно улучшить память, поскольку Cistanche Deserticola также может регулировать баланс нейротрансмиттеров, например, повышая уровень ацетилхолина и факторов роста. Эти вещества очень важны для памяти и обучения. Кроме того, мясо также может улучшить кровоток и способствовать доставке кислорода, что может гарантировать, что мозг получает достаточное количество питательных веществ и энергии, тем самым повышая жизнеспособность и выносливость мозга.

Нажмите, чтобы узнать, как улучшить работу мозга

Участникам было дано указание удерживать взгляд на центральной точке фиксации и свести к минимуму моргание на протяжении всего исследования.

Нейромагнитные данные были получены с использованием системы VectorView, охватывающей всю голову, включающей 204 планарных градиентометра и 102 магнитометра (Elekta Neuromag Oy) в магнитоэкранированной комнате.

На протяжении всего эксперимента положение головы участников постоянно контролировалось с помощью индексных катушек, размещенных в четырех точках на голове. Напряженность магнитного поля измерялась с частотой 1000 Гц и подвергалась онлайн-полосовой фильтрации в диапазоне от 0,03 до 300 Гц. Кроме того, измеряли вертикальные и горизонтальные электроокулограммы с использованием электродов, расположенных сверху, снизу и рядом с глазами. Движения глаз контролировались с помощью айтрекера EyeLink 1000 (SR Research) на частоте 1000 Гц.

Предварительная обработка данных MEG

Данные были предварительно обработаны в автономном режиме с использованием Fieldtrip (Oostenveld et al., 2011), библиотеки программного обеспечения OHBA (OSL) на основе SPM8 (http://www.fil.ion.ucl.ac.uk/spam) и программного обеспечения Elekta.

Перед любой предварительной обработкой данные МЭГ были визуально проверены для удаления и интерполяции любых датчиков, которые отображали чрезмерные уровни шума, а затем были очищены от шума и скорректированы по движению с использованием Maxfilter Signal SpaceSeparation (Taulu et al., 2004), прежде чем удалять независимые компоненты, связанные с сердечной деятельностью. и артефакты моргания глаз.

Данные были синхронизированы вокруг первой и второй решеток (от 400 мс до начала решетки до 900 мс после начала) и субдискретизированы до 200 Гц. Испытания с высокой дисперсией как по градиентометрам, так и по магнитометрам были идентифицированы и исключены с использованием обобщенного теста ESD (крайнее стьюдентизированное отклонение; Rosner, 1983) с порогом значимости 0,05.

Для анализа смещений между испытаниями мы обучали классификатор на всех предъявлениях стимулов из всех неотклоненных испытаний. Поскольку мы исключили испытания с высокой дисперсией (7,49 6 3,85%, среднее стандартное отклонение 6, что соответствует 45 6 23 предъявлению стимулов) из дальнейшего анализа, классификатор был обучен на оставшихся 555 6 23 предъявлениях стимулов.

Прежде чем рассчитывать погрешности, мы удалили первое испытание каждого блока (2%) и испытания с абсолютной угловой разницей с целевой ориентацией в предыдущем испытании на 0,60 градуса (;33%), в результате чего для этого испытания было 370 6 21 испытаний. анализ на каждого участника.

Для анализа систематической ошибки внутри испытания мы обучали классификатор на всех испытаниях, где был представлен стимул 2, за исключением тех, которые были удалены из-за высокой дисперсии, оставив в анализе 278 6 11 испытаний.

Для расчета систематической ошибки среди этих испытаний мы выбрали те, в которых также был представлен стимул 1, и с абсолютной угловой разницей 0,10 и 50 градусов между стимулами 1 и 2. Впоследствии систематическая ошибка рассчитывалась отдельно для испытаний с защитой и 2. сигналы обновления, что приводит к испытаниям 62 6 5 и 63 6 5 соответственно.

Классификация линейного дискриминантного анализа

Данные подвергались дальнейшей предварительной обработке. Магнитуды магнитометров были приблизительно сопоставлены с градиентометрами путем умножения (коэффициент 20) и подвергнуты пространственно-временному декодированию (код доступен по адресу https://pypi.org/project/temp-dec/; как описано ранее, Wolff et al., 2017, 2020; Хаджонидес и др., 2021). Данные со всех 306 датчиков МЭГ в скользящем окне 30-моментов времени (150 мс) были объединены в 9180-мерный вектор.

Размерность была уменьшена с помощью анализа главных компонентов, рассчитанного отдельно для каждого момента времени, с сохранением 90% дисперсии (между 250 и 600 мс это было около 209 6 39 компонентов на участника, среднее отклонение 6).

Это позволило снизить уровень шума в данных, увеличить уникальную дисперсию, кодируемую каждым измерением, и позволить классификатору более эффективно вычислять ковариационные матрицы. Предварительное базовое выравнивание не применялось для поддержания стабильной информации от ранее предъявленных стимулов.

Для обучения классификатора линейного дискриминантного анализа (LDA) данные были разделены на наборы для обучения и тестирования с использованием {{0}}кратной стратифицированной перекрестной проверки. Углы решетки были объединены в интервалы ориентации, расположенные на равном расстоянии друг от друга, создавая 10 различных классов (0–18 градусов, 18–36 градусов, 36–54 градусов, 54–72 градусов, 72–90 градусов, 90–108 градусов, 108–126 градусов, 126–144 градуса, 144–162 градуса, 162–180 градуса). Для обучения классификатора LDA данные были разделены на наборы для обучения и тестирования с использованием 10-кратно стратифицированной перекрестной проверки.

На основе обучающего набора классификатор LDA проецирует данные в низкоразмерное пространство (девяти измерений; количество классов минус 1), которое максимально отделяет данные от 10 классов. Затем данные из тестового набора проецировались в то же {{ 3}}мерное пространство. Мы получили 10 расстояний LDA для каждого испытания в тестовом наборе, рассчитав его евклидово расстояние на основе среднего класса каждого обучающего набора в низкомерном пространстве.

Эти расстояния позволили нам оценить вероятность того, что любое данное тестовое испытание соответствовало каждому из десяти классов. Это повторялось для каждого раза перекрестной проверки и каждого момента времени. Анализ декодирования стимулов, представленный угол использовался для классификации.

При анализе перекрестного декодирования классификаторы LDA обучались на интервалах ориентации одного события (например, представленной решетки), но данные классификатора выравнивались по интервалам другой ориентации (например, целевой ориентации в предыдущем испытании). Полученные кривые репрезентативного подобия были свернуты с помощью косинуса.

Чтобы проверить, какие датчики наиболее существенно способствовали вероятности классификатора, наблюдаемой в наших многомерных методах, мы также провели анализ декодирования прожектором (Kriegeskorte et al., 2006).

В этом анализе мы итеративно рассмотрели небольшую группу датчиков и, таким образом, смогли составить карту приблизительного места наблюдаемого эффекта. Точнее, мы выбрали данные от каждого датчика, а также от его 47 наиболее близко расположенных соседей (включая магнитометры и градиентометры) и провели тот же классификационный анализ, который описан выше.

Расчет показателя нейронной асимметрии как меры нейронной предвзятости

Что касается систематических ошибок внутри испытания, мы оценивали обработку второй решетки и рассматривали только испытания, состоящие из двух пунктов. Классификатор был обучен на всех представлениях второй решетки, и для каждого испытания были сгенерированы вероятности интервалов. Для анализа между испытаниями мы проанализировали обработку ориентации как первой, так и второй решетки в текущем испытании. По этой причине мы обучили классификатор всем испытаниям и сгенерировали прогнозы ячеек для всех испытаний.

Впоследствии, основываясь на результатах анализа предвзятости производительности, мы выбрали испытания, в которых угловое расстояние между индуктором и ориентацией решетки на дисплее приводило к значительной поведенческой предвзятости на уровне группы.

В случае отталкивающего смещения внутри испытания индуктором была ориентация первой решетки в том же испытании. Для анализа между исследованиями индуктором была целевая ориентация, о которой сообщалось в предыдущем исследовании (за исключением контрольных анализов, где в качестве цели использовалась незарегистрированная ориентация). В качестве зависимой переменной мы рассматривали оценки правдоподобия для каждого интервала ориентации, где мы ожидаем наибольшую вероятность для углового интервала, который имеет нулевое смещение относительно представленной ориентации, и уменьшение вероятности для интервалов с большими угловыми расстояниями от представленной ориентации.

Мы отдельно оценивали оценки правдоподобия для испытаний, в которых индуктор был ориентирован по часовой стрелке (CW) или против часовой стрелки (CCW) относительно текущей ориентации. Для испытаний как по часовой стрелке, так и против часовой стрелки мы отдельно усредняли данные из ячеек ориентации по часовой стрелке (от 72 до 18 градусов) и данные из ячеек против часовой стрелки (от 18 до 72 градусов).

Оценки асимметрии рассчитывались путем получения разницы между двумя группами угловых интервалов (CWминус CCW). Наконец, мы рассчитали общий показатель нейронной предвзятости путем вычитания показателей асимметрии в исследованиях с индукторами CW и CCW.

Привлекательные нейронные смещения приводили к положительному результату (т. е. испытания с угловыми расстояниями CW приводили к большему количеству доказательств CW, угловые расстояния против часовой стрелки приводили к большему количеству доказательств CCW), тогда как отталкивающие нейронные смещения приводили к отрицательному результату (т. е. угловые расстояния CW приводили к меньшему количеству доказательств CW, чем судебные разбирательства по КОО и наоборот).

Статистическое тестирование

Статистические тесты были рассчитаны с использованием как JASP (JASP Team, 2020), так и Scipy (Virtanen et al., 2020).

Мы протестировали временной ряд свидетельства классификатора с косинусной сверткой против нуля, используя тест перестановки на основе кластеров, который решает проблему множественного сравнения (с использованием MNE; Gramfort et al., 2013). Было 100,000 итераций.

Кластеры с группами моментов времени, существенно отличающимися от нуля, обозначены на соответствующих рисунках горизонтальными линиями. Тестирование перестановок на основе кластеров также применялось к смещению производительности по угловому расстоянию между представленной ориентацией и ориентацией индуктора.

Чтобы проверить значимость нашего анализа систематических ошибок, мы создали перетасованное распределение после этапа декодирования. Когда испытания были отсортированы на основе относительной ориентации предыдущего испытания/стимула, мы случайным образом меняли знак этого углового расстояния и пересчитывали смещение. Мы вычислили смещение для всех участников и усреднили этот балл. Этот процесс был повторен 10,000 раз, и полученному распределению была присвоена z-оценка.

То же самое преобразование z-показателя было применено к наблюдаемому показателю систематической ошибки, когда не применялось случайное изменение знака. Этот z-показатель затем можно было использовать для получения (двустороннего) p-значения исходного эффекта относительно распределения перетасовки (во всех зарегистрированных средних значениях времени использовались моменты времени между 250 и 600 мс).

Все тесты были двусторонними, если не указано иное.

Полученные результаты

Частота ошибок

Участники точно воспроизвели целевую ориентацию (средняя ошибка ответа 11,73 6 0,70 градусов SEM; среднее стандартное отклонение 17,61 61,07 градусов SEM; см. таблицу 1 для производительности в зависимости от условий). ANOVA с повторными измерениями два на два на ошибку ответа показал основные эффекты типа сигнала (F(1,19)=16.49, p, 0,001, h2=0.374) и нескольких предъявляемые стимулы (F(1,19)=29.78, p, 0.001,h2=0.075).

Тип сигнала был значимым как для испытаний с одним пунктом, так и для испытаний с двумя пунктами, при этом абсолютная ошибка была выше в первом отчете, чем во втором испытании для обоих испытаний с двумя пунктами (t(19)=3.972,p, {{6} }.001, d=0.888; см. таблицу 1) и испытания с одним пунктом (t(19) =3.948, р с поправкой Бонферрони, 0,001, d {{ 18}}.883). Напротив, некоторые представленные пункты в первую очередь повлияли на первые условия отчета.

Ошибка была выше в первых двух отчетах, чем в первых испытаниях с одним пунктом в отчете (t(19)=5.665, p, 0.001, d=1.267), но не имела существенного значения. различаются между отчетом о втором испытании с двумя пунктами и отчете о втором испытании с одним пунктом (t(19)=1.885, p=0.075,d=0.421), что приводит к значительному взаимодействие между двумя факторами (F(1,19)=10.90, p=0.004, h2=0.026).

Анализ с использованием смешанного моделирования (Bays et al., 2009) подтвердил, что ошибки, возникающие из-за ответов на ориентацию решетки без подсказок, были редки (коэффициент обмена 0,033 6 0,01 в испытаниях с двумя пунктами; см. также Хуанг , 2020).

Отталкивающие искажения результатов в ходе испытаний

Мы проанализировали отклонения в поведенческих характеристиках внутри исследования, оценивая, систематически ли сообщаемая ориентация была ближе к нецелевой ориентации или дальше от нее в одном и том же исследовании (см. «Материалы и методы»).

Мы ограничили анализ исследованиями, состоящими из двух пунктов. На рисунке 2А показано смещение производительности для всех абсолютных угловых расстояний между первой и второй ориентацией решетки для испытаний «первый отчет» и «второй отчет». поставленная задача (t(19)=0.74, p=0.467).

Напротив, испытания со вторыми сигналами отчета выявили значительные отклонения от первоначально закодированной ориентации первой решетки (t (19)=2.33, p=0.031; показано на рис. 2B). Смещение отталкивания во вторых испытаниях было подтверждено с помощью теста на перестановку на основе кластеров, который показал значительный кластер (p=0.012), когда угловое расстояние между двумя ориентациями составляло от 10 до 49 градусов (рис. 2А).

Привлекательная погрешность результатов между испытаниями

Затем мы оценили смещение между испытаниями ответов в текущем испытании в сторону ориентации, которая была указана в предыдущем испытании (рис. 3). Мы оценили погрешность результатов как функцию угловых различий между целевой решеткой в ​​текущем и предыдущем испытаниях.

При анализе также учитывалось положение целевой решетки в текущем испытании (первое или второе) и количество предметов в текущем испытании (один предмет или два предмета). Для обеспечения единообразия мы называем все испытания, в которых участники сообщают о первом отчете об ориентации решетки, первыми испытаниями, а испытания, в которых участники сообщают о втором отчете об ориентации, — вторые испытания, независимо от количества представленных решеток.

Мы снова рассчитали сумму смещения по угловым расстояниям между целями в текущих и предыдущих испытаниях (рис. 3А, Б). В отличие от отталкивающего смещения, описанного в предыдущем разделе, мы обнаружили, что все условия демонстрировали привлекательную предвзятость производительности (все p, 0.05 в двусторонних статистических тестах). Притягивающее последовательное смещение было наиболее выражено для малых и средних угловых расстояний между индуктором и ориентацией тока (0–60 градусов).

ANOVA с повторными измерениями по сумме систематических ошибок по угловым расстояниям показал влияние типа сигнала, при этом более значительные систематические ошибки наблюдались в первых испытаниях отчета (F(1,19)=5.706, p=0.027, h2=0.172), а не количества решеток, представленных в испытании (F(1,19)=0.980, p=0.335, h2 =0 .007). Эти два фактора не взаимодействовали (F(1,19)=0.377, p=0.547,h2=0.002). Это показывает, что предвзятость была сильнее при воспоминании первого элемента, который был закодирован ближе по времени к предыдущему испытанию.

For more information:1950477648nn@gmail.com